MODEL FORECASTING WISATAWAN MANCANEGARA
KE PROVINSI RIAU MENGGUNAKAN METODE BOX-JENKINS
TUGAS AKHIR
Diajukan sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains
pada Jurusan Matematika
Oleh :
SALAM ALI WIRADINATA S
10754000122
4
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI SULTAN SYARIF KASIM RIAU
PEKANBARU
vii
MODEL FORECASTING WISATAWAN MANCANEGARA
KE PROVINSI RIAU MENGGUNAKAN METODE BOX-JENKINS
SALAM ALI W.S
10754000122
Tanggal Sidang: 27 Juni 2011 Tanggal Wisuda: Oktober 2011
Jurusan Matematika Fakultas Sains dan Teknologi
Universitas Islam Negeri Sultan Syarif Kasim Riau Jl. HR. Soebrantas No.155 Pekanbaru
ABSTRAK
Tugas akhir ini menjelaskan tentang forecasting kunjungan wisatawan mancanegara ke Provinsi Riau. Tujuan penelitian ini ialah untuk membangun model forecasting kunjungan wisatawan mancanegara menggunakan metode Box-Jenkins. Data yang digunakan adalah jumlah perbulan kunjungan wisatawan mancanegara ke Provinsi Riau dari bulan Januari 2004 sampai bulan Desember 2010. Data training dan
testing diambil dari bulan Januari 2004 sampai bulan Juni 2010 dan dari bulan Juli 2010 sampai Desember
2010. Hasil yang diperoleh menunjukkan bahwa model SARIMA(0,1,1)(1,1,1)12 adalah model yang paling sesuai untuk forecasting kunjungan wisatawan mancanegara ke Provinsi Riau. Hasil forecasting mengindikasikan bahwa pola data jumlah kunjungan wisatawan mancanegara Tahun 2011 mengikuti pola data aktual tahun-tahun sebelumnya. Kesimpulan dari tugas akhir ini, kunjungan wisatawan mancanegara mengalami pola kenaikan pada akhir tahun.
ix
KATA PENGANTAR
Segala puji hanya bagi Allah SWT yang senantiasa melimpahkan rahmat dan taufik serta hidayah-Nya sehingga penulis dapat menyelesaikan tugas akhir ini tepat pada waktunya dengan judul “Model Forecasting Wisatawan
Mancanegara ke Provinsi Riau Menggunakan Metode Box-Jenkins”. Tugas
akhir ini merupakan salah satu syarat kelulusan tingkat sarjana. Selanjutnya limpahan shalawat serta salam kepada junjungan Nabi Muhammad SAW, pembawa petunjuk bagi seluruh umat manusia.
Selanjutnya, dalam penyusunan dan penyelesaian tugas akhir ini penulis tidak terlepas dari batuan berbagai pihak, baik langsung maupun tidak langsung. Untuk itu sudah sepantasnya penulis mengucapkan terimakasih yang tak terhingga kepada kedua orang tua tercinta, Ayah (Said Habibullah S) dan Ibu (Hotnauli Br Ritonga) yang tidak pernah lelah dan tiada henti melimpahkan kasih sayang, perhatian, motivasi yang membuat penulis mampu untuk terus dan terus melangkah, pelajaran hidup, juga materi yang tidak mungkin bisa terbalas. Jasa-jasamu akan selalu kukenang hingga akhir hayatku dan semoga Allah SWT menjadikan jasa-jasamu sebagai amalan soleh, Amin. Ucapan terimakasih selanjutnya kepada:
1. Bapak Prof. DR. H. M. Nazir, selaku Rektor Universitas Islam Negeri Sultan Syarif Kasim Riau.
2. Ibu Dra. Hj. Yenita Morena, M.Si selaku Dekan Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif Kasim Riau.
3. Ibu Yuslenita Muda, M.Sc selaku Ketua Jurusan Matematika Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif Kasim Riau sekaligus Penguji II.
4. Bapak Riswan Efendi, M.Sc selaku Pembimbing I yang telah banyak membantu, mendukung, mengarahkan dan membimbing penulis dalam menyelesaikan tugas akhir ini.
x
5. Wartono, M.Sc selaku Pembimbing II yang telah banyak memotivasi, mengarahkan dan membimbing penulis dalam menyelesaikan tugas akhir ini.
6. Ibu Ari Pani Desvina, M.Sc selaku Penguji I dan yang telah memberikan kritikan, motivasi dan saran sehingga tugas akhir ini selesai.
7. Ibu Fitri Aryani, M.Sc selaku Koordinator Tugas Akhir yang telah banyak memotivasi dalam penyelesaian tugas akhir ini.
8. Semua Bapak dan Ibu dosen Jurusan Matematika Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif Kasim Riau.
Akhirnya, dalam penyusunan dan penulisan tugas akhir ini penulis telah berusaha semaksimal mungkin untuk menghindari berbagai kesalahan, tetapi seperti kata pepatah mengatakan tak ada gading yang tak retak. Penulis mengharapkan kepada pembaca tugas akhir ini agar memberikan saran dan kritik yang membangun. Semoga tugas akhir ini dapat memberikan konstribusi yang bermanfaat kepada pihak yang memerlukan. Amin.
Pekanbaru, 27 Juni 2011
xi
DAFTAR ISI
Halaman
LEMBAR PERSETUJUAN... ii
LEMBAR PENGESAHAN ... iii
LEMBAR HAK ATAS KEKAYAAN INTELEKTUAL ... iv
LEMBAR PERNYATAAN ... v LEMBAR PERSEMBAHAN ... vi ABSTRAK ... vii ABSTRACT ... viii KATA PENGANTAR ... ix DAFTAR ISI ... xi
DAFTAR SIMBOL ... xiii
DAFTAR TABEL ... xiv
DAFTAR GAMBAR ... xv
DAFTAR LAMPIRAN ... xvi BAB I PENDAHULUAN
1.1 Latar Belakang Masalah ... I-1 1.2 Rumusan Masalah ... I-2 1.3 Batasan Masalah ... I-3 1.4 Tujuan Penelitian ... I-3 1.5 Manfaat Penelitian ... I-3 1.6 Sistematika Penulisan ... I-4 BAB II LANDASAN TEORI
2.1 Definisi Wisatawan Mancanegara... II-1 2.2 Pentingnya Forecasting dalam Kunjungan Wisatawan
Mancanegara ... II-2 2.3 Forecasting ... II-2 2.4 Metode Runtun Waktu (Time Series) ... II-5 2.5 Model Linier Time Series yang Stasioner ... II-6
xii
2.6 Model Time Series Linier Non Stasioner ... II-10 2.7 Model Seasonal Autoregressive Integrated Moving
Average ... II-13 2.8 Prosedur Menstasionerkan Data ... II-14 2.9 Prosedur Metode ARIMA Metode Box-Jenkins ... II-15 2.10 Penelitian-Penelitian yang Terkait Model Forecasting
Time Series Jumlah Kunjungan Wisatawan
Mancanegara ... II- 20
BAB III METODOLOGI PENELITIAN 3.1 Jenis dan Sumber Data Penelitian ... III-1 3.2 Metode Analisis Data ... III-2
BAB IV HASIL DAN PEMBAHASAN
4.1 Deskriptif Tingkat Kunjungan Wisatawan
Mancanegara ke Provinsi Riau... IV-1 4.2 Pembentukan Model Forecasting ... IV-2 BAB V PENUTUP
5.1 Kesimpulan ... V-1 5.2 Saran ... V-2 DAFTAR PUSTAKA
LAMPIRAN
xiv
DAFTAR TABEL
Tabel Halaman
2.1 Beberapa penelitian forecasting wisatawan mancanegara ... II-20 4.1 Deskriptif statistik kunjungan wisatawan mancanegara ... IV-2 4.2 Model-model sementara yang sesuai ... IV-6 4.3 Estimasi parameter model dan uji signifikansi ... IV-7 4.4 Output proses Ljung Box Pierce SARIMA(2,1,0)(2,1,0)12 dan
SARIMA(0,1,1)(1,1,1)12 ... IV-10 4.5 Data testing dan hasil forecasting wisatawan mancanegara
model SARIMA(0,1,1)(1,1,1)12 ... IV-13 4.6 Data hasil forecasting wisatawan mancanegara ke Provinsi Riau ... IV-13 5.1 Hasil forecasting wisatawan mancanegara ke Provinsi Riau ... V-1
BAB I
PENDAHULUAN
Bab I pada penelitian berikut ini terdiri dari latar belakang masalah, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian dan sistematika penulisan.
1.1 Latar Belakang Masalah
Wisatawan mancanegara ke Indonesia memegang peranan penting dalam perekonomian kepariwisataan nasional, yaitu sebagai salah satu sumber penerimaan devisa negara, sebagai pencipta lapangan kerja serta kesempatan berusaha. Kunjungan wisatawan mancanegara ke beberapa daerah di Indonesia terutama ke Provinsi Riau jika diamati perkembangannya merupakan suatu hal yang menarik, terlebih lagi jika dapat dilakukan forecasting. Hal ini bermanfaat bagi instansi pemerintahan yaitu dinas pariwisata setempat maupun instansi swasta tertentu untuk mempersiapkan berbagai program yang berhubungan dengan “visit Indonesia 2011”.
Provinsi Riau merupakan sebuah provinsi di Indonesia yang terletak di tengah pulau Sumatra dan beribukota Pekanbaru dimana lokasi letaknya sangat strategis di negara-negara serumpun, sehingga pemerintah dan rakyatnya secara lantang menyatakan bahwa provinsi ini akan mengambil peran strategis di bidang perekonomian, kebudayaan maupun pariwisata. Hal ini dituangkan dalam visi Riau 2020, yaitu Provinsi Riau berhajat menjadi pusat pertumbuhan perekonomian dan kebudayaan Melayu di Kawasan Asia Tenggara (Majalah Visit Riau, 2011).
Kunjungan wisatawan mancanegara ke Provinsi Riau mengalami pola kunjungan yang cukup signifikan dalam beberapa tahun terakhir selain sebagai tujuan bisnis yang ditandai dengan Provinsi Riau sebagai penghasil minyak dan berbagai event yang telah terlaksana, salah satunya yaitu tepatnya pada Tahun 2005 Provinsi Riau pernah menjadi tuan rumah Olimpiade Fisika Asia (OFA) atau Asian
I-2 Physics Olympiad (APhO) ke-6 serta dalam perkembangannya kunjungan wisatawan mancanegara ke Provinsi Riau perlu dilakukan penelitian untuk mengetahui pola (pattern) data kunjungan dan tujuan utama wisatawan mancanegara ke Provinsi Riau. Secara umum, beberapa penelitian terkait untuk menganalisis adanya efek tertentu pada pola (pattern) data yang menjadi dasar permasalahan forecasting data time series, termasuk data wisatawan mancanegara yaitu informasi mengenai metode yang dapat diterapkan untuk model forecasting kunjungan wisatawan mancanegara. Pada penelitian Loganathan dkk (2010) memodelkan dan meramalkan banyaknya wisatawan internasional yang datang ke Malaysia dengan Sarima Box-Jenkins, Nuvitasari dkk (2009) menggunakan analisis intervensi multi input fungsi step dan pulse untuk peramalan kunjungan wisatawan mancanegara ke Indonesia, sedangkan Pujiati (2009) yang dalam penelitiannya menyatakan bahwa peramalan kunjungan wisatawan mancanegara melalui Bandara Ngurah Rai dengan metode time series dan ARIMA Musiman masih tetap dapat digunakan untuk meramalkan kunjungan wisatawan mancanegara ke Indonesia.
Berdasarkan beberapa penelitian tersebut untuk memodelkan dan meramalkan kunjungan wisatawan mancanegara, maka penulis tertarik untuk membahas sebagai penelitian tugas akhir tentang bagaimana memodelkan dan meramalkan wisatawan mancanegara ke Provinsi Riau yang berjudul “Model Forecasting Kunjungan
Wisatawan Mancanegara ke Provinsi Riau Menggunakan Metode Box-Jenkins”.
1.2 Rumusan Masalah
Berdasarkan latar belakang di atas maka penelitian ini rumusan masalahnya adalah sebagai berikut:
1. Bagaimana menerapkan metode Box-Jenkins untuk memodelkan dan meramalkan jumlah kunjungan wisatawan mancanegara ke Provinsi Riau ? 2. Bagaimana hasil forecasting tingkat kunjungan wisatawan mancanegara ke
Provinsi Riau pada Tahun 2011 dengan menggunakan model forecasting terbaik yang diperoleh dari penerapan metode Box-Jenkins ?
I-3
1.3 Batasan Masalah
Batasan masalah dalam tugas akhir ini yaitu sebagai berikut:
1. Data yang digunakan adalah data bulanan jumlah kunjungan wisatawan mancanegara ke Provinsi Riau selama 7 tahun yaitu mulai Januari 2004 sampai dengan Desember 2010.
2. Untuk menentukan model terbaik jika model yang dihasilkan lebih dari satu, maka akan dilihat keakuratan peramalan yang dapat diketahui dengan error forecasting mengunakan uji Mean Squared Error (MSE).
1.4 Tujuan Penelitian
Tujuan penelitian ini adalah sebagai berikut:
1. Menerapkan metode Box-Jenkins untuk memodelkan jumlah kunjungan wisatawan mancanegara ke Provinsi Riau.
2. Memperoleh hasil forecasting jumlah kunjungan wisatawan mancanegara pada Tahun 2011 dengan menggunakan model forecasting terbaik.
1.5 Manfaat Penelitian
Adapun manfaat dalam penelitian ini adalah sebagai berikut: 1. Bagi Penulis
Mengetahui penerapan secara real metode Box-Jenkins untuk model forecasting tingkat kunjungan wisatawan mancanegara ke Provinsi Riau.
2. Bagi Lembaga Pendidikan
Sebagai sarana informasi bagi pembaca dan sebagai bahan referensi bagi pihak yang memerlukannya untuk penelitian berikutnya.
3. Bagi Instansi Pemerintahan/Swasta
Penelitian ini membantu institusi yang memanfaatkan data masa lalu untuk evaluasi serta hasil kajian ini dapat digunakan untuk menyusun rekomendasi dalam rangka meningkatkan jumlah kunjungan wisatawan mancanegara ke Provinsi Riau dan memberikan informasi nilai forecastingnya pada periode
I-4 mendatang sehingga memudahkan dalam menentukan kebijakan, proses pengambilan keputusan dan membuat rencana masa depan instansi terkait.
1.6 Sistematika Penulisan
Sistematika dalam pembuatan tulisan tugas akhir ini mencakup lima bab yaitu sebagai berikut:
BAB I Pendahuluan
Bab berikut ini berisi tentang latar belakang masalah, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian dan sistematika penulisan.
BAB II Landasan Teori
Bagian bab berikut ini menjelaskan beberapa teori model forecasting kunjungan wisatawan internasional (mancanegara) ke Provinsi Riau, penelitian-penelitian terkait, secara umum beberapa model time series yang linier stasioner dan linier nonstasioner, model SARIMA(p,d,q)(P,D,Q)S, differencing dan prosedur Box-Jenkins.
BAB III Metodologi Penelitian
Bab berikut ini berisikan prosedur untuk memodelkan dan meramalkan jumlah kunjungan wisatawan mancanegara ke Provinsi Riau dengan menggunakan metode Box-Jenkins.
BAB IV Hasil dan Pembahasan
Bab ini membahas secara komprehensif tentang beberapa hasil yang diperoleh untuk memodelkan dan meramalkan kunjungan wisatawan mancanegara ke Provinsi Riau dengan analisis yang lengkap berdasarkan prosedur Box-Jenkins.
BAB V Penutup
Bab ini berisikan kesimpulan dari hasil dan pembahasan yang telah dilakukan pada bab IV serta saran bagi pembaca.
BAB II
LANDASAN TEORI
Bab II berikut terdiri dari beberapa pengertian yang berhubungan dengan wisatawan mancanegara, metode time series (Box- Jenkins), bentuk-bentuk data time series, forecasting, beberapa model linier time series yang stasioner maupun model linier nonstasioner serta model SARIMA.
2.1 Definisi Wisatawan Mancanegara
Berdasarkan rekomendasi United Nation World Tourism Organization (UNWTO) dan International Union of Office Travel Organization (IUOTO) definisi wisatawan mancanegara ialah setiap orang yang mengunjungi suatu negara di luar negara tempat tinggalnya, didorong oleh satu atau beberapa keperluan tanpa bermaksud memperoleh penghasilan di tempat yang dikunjungi (BPS: Statistik Kunjungan Wisatawan Mancanegara, 2009).
Definisi ini mencakup 2 (dua) kategori tamu mancanegara, ialah:
a. Wisatawan (Tourist) adalah setiap pengunjung seperti defenisi di atas yang tinggal paling sedikit 24 jam, akan tetapi tidak lebih dari 12 (dua belas) bulan di tempat yang dikunjungi dengan bermaksud kunjungan antara lain:
1. Berlibur, rekreasi dan olah raga.
2. Bisnis, mengunjungi teman dengan keluarga, misi, menghadiri pertemuan, konferensi, kunjungan dengan alasan kesehatan, belajar, dan keagamaan.
b. Pelancong (Excursionist) adalah setiap pengunjung seperti definisi di atas yang tinggal kurang dari 24 jam di tempat yang dikunjungi (termasuk cruise passenger yaitu setiap pengunjung yang tiba di suatu negara dengan kapal atau kereta api, dimana mereka tidak menginap diakomodasi yang tersedia di negara tersebut).
II-2
2.2 Pentingnya Forecasting dalam Kunjungan Wisatawan Mancanegara
Kunjungan wisatawan mancanegara memegang peranan penting dalam industri kepariwisataan untuk peningkatan kesejahteraan sosial dan perekonomian rakyat. Hal ini perlu diramalkan agar diketahui secara jelas berbagai produk wisata yang dibutuhkan, fasilitas pelayanan terhadap tamu negara, keamanan wisatawan mancanegara, serta perencanaan investasi wisata (Frechtling, 2001). Melihat pentingnya forecasting dalam kunjungan wisatawan mancanegara, maka dalam penelitian ini dijelaskan berbagai teori tentang forecasting.
2.3 Forecasting
Forecasting merupakan suatu masalah yang paling penting dalam berbagai bidang bisnis dan industri, pemerintahan, ekonomi, lingkungan sains, kedokteran, ilmu sosial, politik dan keuangan (Montgomery dkk, 2008).
Forecasting adalah perkiraan suatu kejadian di masa depan berdasarkan data yang ada dimasa lalu. Di dalam forecasting, bertujuan agar forecasting yang digunakan dapat meminimumkan pengaruh ketidakpastian terhadap instansi/ perusahaan. Dengan kata lain forecesting bertujuan memperoleh forecast yang digunakan dapat meminimumkan kesalahan meramal (forecast error) yang diukur dengan means squared error, means absolut error dan sebagainya (Subagyo, 1986; Fatmawati, 2007).
a. Jenis-Jenis Forecasting
Rentang waktu kegiatan peramalan dalam praktek sangat bervariasi, ada yang melakukan peramalan secara rutin, seperti prediksi temperatur udara harian untuk Tahun 2011 yang secara kontinyu diprediksi dan diupdate, dalam penelitian tugas akhir ini peramalan jumlah kunjungan wisatawan mancanegara dilakukan dalam jangka menengah.
Forecasting berdasarkan jangka waktunya dapat dibagi menjadi yaitu (Montgomery dkk, 2008; Santoso, 2009):
II-3 1. Jangka Pendek (Short Term)
Jangka pendek meliputi kurun waktu mulai dari satu hari sampai satu musim atau dapat sampai satu tahun.
2. Jangka Menengah (Medium Term)
Jangka menengah meliputi kurun waktu dari satu musim (kuartal, triwulan atau yang lain) sampai dua tahun. Pada tugas akhir ini penulis mengestimasi jumlah kunjungan wisatawan mancanegara perbulannya sebagai bagian dari forecasting jangka menengah.
3. Jangka Panjang (Long Term )
Jangka panjang meliputi peramalan untuk kurun waktu minimal lima tahun.
b. Metode Forecasting
Metode peramalan dapat dikelompokkan menjadi dua metode yaitu metode kualitatif dan metode kuantitatif. Pada penelitian ini hanya digunakan metode kuantitatif. Metode kuantitatif merupakan peramalan yang didasarkan atas data kuantitatif pada masa lalu. Hasil forecasting sangat bergantung pada metode yang dipergunakan dalam forecasting tersebut. Karena dengan metode yang berbeda akan diperoleh suatu hasil forecasting dengan kenyataan yang terjadi. Semakin kecil penyimpangan antara hasil ramalan dengan kenyataan yang terjadi berarti metode yang dipergunakan semakin baik. Peramalan kuantitatif dapat digunakan bila terdapat tiga kondisi yaitu (Makridakis, 1992; Lumbantobing, 2008):
1. Adanya informasi tentang masa lalu,
2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik,
3. Informasi tersebut dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut di masa yang akan datang.
Metode peramalan kuantitatif dapat dibagi menjadi dua jenis model peramalan utama, yaitu metode kausal (regresi) dan metode time series (Makridakis dkk, 1983). Metode kausal pendugaan masa depan dari suatu faktor yang diramalkan dinamakan variabel tak bebas, diasumsikan bahwa faktor tersebut menunjukkan suatu hubungan
II-4 sebab-akibat dengan satu atau lebih variabel bebas. Sedangkan dalam metode time series, pendugaan masa depan dilakukan berdasarkan pada nilai masa lalu dari suatu variabel masa lalu itu sendiri (Efendi, 2010).
c. Manfaat Forecasting
Kegunaan dari forecasting dapat ditinjau pada saat pengambilan keputusan. Keputusan yang tepat merupakan keputusan yang didasarkan oleh pertimbangan apa yang akan terjadi pada saat keputusan tersebut dilakukan (Lumbantobing, 2008). Forecasting diperlukan untuk mengantisipasi suatu peristiwa yang akan terjadi atau suatu kebutuhan yang akan timbul, sehingga dapat dipersiapkan kebijakan atau tindakan-tindakan yang perlu dilakukan.
Adapun manfaat dari forecasting secara umum adalah sebagai berikut:
1. Merupakan suatu pedoman dalam menentukan tingkat persediaan suatu bahan baku atau produk secara optimal sesuai dengan tingkat permintaan yang berubah-ubah.
2. Untuk perencanaan dan pengendalian persediaan dan penentuan investasi. 3. Untuk keperluan ekspansi perusahaan.
4. Membantu menentukan pengembangan suatu pekerjaan untuk periode selanjutnya.
d. Hubungan Forecasting dengan Rencana
Forecasting merupakan peramalan yang akan terjadi pada waktu mendatang, sedangkan rencana merupakan penentuan apa yang akan dilakukan pada waktu mendatang. Perbedaan antara forecasting dengan rencana yaitu: forecasting merupakan ramalan yang akan terjadi, tetapi belum tentu bisa dilaksanakan oleh perusahaan. Sedangkan rencana adalah langkah yang akan diambil setelah dilakukan peramalan. Forecasting dan planning (perencanaan) adalah dua kegiatan yang saling melengkapi dan bukan merupakan subtitusi satu dengan yang lain, forecasting tidak
II-5 dapat menggantikan kegiatan perencanaan, meskipun forecasting merupakan bagian penting dari proses perencanaan (Santoso, 2009).
2.4 Metode Runtun Waktu (Time Series Method)
Secara umum ada dua pendekatan utama dalam metode peramalan, yaitu pendekatan sebab akibat (kausal) dan pendekatan runtun waktu. Bagian ini fokus hanya menjelaskan peramalan dengan pendekatan runtun waktu atau yang lebih dikenal dengan metode runtun waktu.
a. Pengertian Runtun Waktu (Time Series)
Runtun waktu adalah sekumpulan pengamatan terurut, yang diambil berdasarkan interval waktu tertentu misalkan sekumpulan data yang diambil per menit, per jam, per hari, per minggu, per bulan, per tahun, dan sebagainya (Box dkk, 2008).
Untuk dapat memahami pemodelan time series, perlu diketahui beberapa jenis data menurut waktu, yang dapat dibedakan sebagai berikut (Rosadi, 2006):
1. Cross-section data, yakni jenis data yang dikumpulkan untuk/pada sejumlah individu/kategori untuk sejumlah variabel pada suatu titik waktu tertentu. 2. Time series (runtun waktu) data yakni jenis data yang dikumpulkan menurut
urutan waktu dalam suatu rentang waktu tertentu.
3. Panel/Pooled data, yakni jenis data dikumpulkan menurut urutan waktu dalam suatu interval waktu tertentu pada sejumlah individu/kategori. Model yang digunakan untuk pemodelan data tipe ini seperti model data panel, model runtun waktu multivariat.
Secara umum, metode time series bertujuan sebagai peramalan, pemodelan dan kontrol (Chatfield, 2001; Suhartono, 2007).
II-6
b. Bentuk-bentuk Data Runtun Waktu (Time Series)
Sebelum mengenal metode forecasting untuk berbagai data time series maka diperkenalkan dengan bentuk-bentuk data. Ada empat pola data times series yang umumnya terjadi yaitu (Efendi, 2010):
1. Stasioner, yakni mean dan variance data selalu konstan terhadap perubahan waktu.
2. Tren (Trend)
3. Musiman (Seasonal)
4. Tren dan Musiman (Trend and Seasonal)
2.5 Model Linier Time Series yang Stasioner
Konsep stasioneritas dapat digambarkan yaitu (Makridakis dkk, 1983):
a. Suatu data time series apabila diplot dan tidak terbukti adanya perubahan nilai tengah dari waktu ke waktu, maka dikatakan series data tersebut stasioner pada nilai tengahnya (mean).
b. Jika plot time series tidak menunjukkan adanya perubahan varians yang jelas dari waktu ke waktu, maka dikatakan series data merupakan stasioner pada variansnya.
Model-model linier time series untuk data yang stasioner secara umum yaitu:
1. Model Autoregresi (Autoregressive) tingkat p atau AR(p)
Bentuk umum dari proses autoregressive tingkat p merupakan model linier yang paling dasar untuk proses yang stasioner, model ini dapat diartikan sebagai proses hasil regresi dengan dirinya sendiri. Secara matematis didefenisikan sebagai berikut (Wei, 2005):
𝑍𝑡 = 𝜙0+ 𝜙1𝑍𝑡−1+ 𝜙2𝑍𝑡−2+ ⋯ + 𝜙𝑝𝑍𝑡−𝑝 + 𝑎𝑡 (2.1)
dengan:
𝑍𝑡 adalah data pada periode t, t = 1, 2, 3, ..., n 𝑍𝑡−𝑖 adalah data pada periode t-i, i = 1, 2,...., p
II-7 𝑎𝑡 adalah error pada periode
𝜙0 adalah suatu konstanta
𝜙𝑖 adalah parameter autoregressive ke-i, i = 1, 2,...., p
Model AR(p) pada Persamaan (2.1) secara umum dapat pula ditulis dalam bentuk (Box dkk, 1994):
𝜙 𝐵 𝑍𝑡 = 𝜙0+ 𝑎𝑡 (2.2)
dengan 𝜙 𝐵 = 1 − 𝜙1𝐵 − 𝜙2𝐵2− ⋯ − 𝜙𝑝𝐵𝑝 dan 𝐵𝑖𝑍𝑡 = 𝑍𝑡−𝑖 , i = 1, 2,..., p.
a. Model Autoregresi (Autoregressive) Tingkat 1 atau AR(1)
Model autoregressive pada tingkat 1 atau proses AR(1), secara matematis
didefinisikan sebagai berikut (Wei, 2005):
𝑍𝑡 = 𝜙0+ 𝜙1𝑍𝑡−1+ 𝑎𝑡 (2.3) dengan:
𝑍𝑡 adalah data pada periode , t = 1, 2, 3, ..., n 𝑍𝑡−1 adalah data pada periode
𝑎𝑡 adalah error pada periode
𝜙0 adalah suatu konstanta
𝜙1 adalah parameter autoregressive ke-1
b. Model Autoregresi (Autoregressive) Tingkat 2 atau AR(2)
Model autoregressive pada tingkat 2 didefinisikan secara matematis sebagai berikut (Wei, 2005):
𝑍𝑡 = 𝜙0+ 𝜙1𝑍𝑡−1+ 𝜙2𝑍𝑡−2+ 𝑎𝑡 (2.4) dengan:
𝑍𝑡 adalah data pada periode t, t = 1, 2, 3, ..., n
𝑍𝑡−1 adalah data pada periode t - 1 𝑍𝑡−2 adalah data pada periode t - 2
𝑎𝑡 adalah error pada periode t
t t 1 t t
II-8 𝜙0 adalah suatu konstanta
𝜙1 adalah parameter autoregressive ke-1 𝜙2 adalah parameter autoregressive ke-2
sehingga jika model ini dilanjutkan untuk model AR tingkat 3 atau AR(3) dan seterusnya sama dengan mengikuti pola umum model AR(p) pada Persamaan (2.1).
2. Model Moving Average Tingkat q atau MA(q)
Bentuk umum dari proses moving average tingkat q atau MA(q) didefinisikan sebagai berikut (Wei, 2005):
𝑍𝑡 = 𝜃0+ 𝑎𝑡− 𝜃1𝑎𝑡−1 − 𝜃2𝑎𝑡−2… − 𝜃𝑞𝑎𝑡−𝑞, (2.5)
dengan:
𝑍𝑡 adalah data pada periode , t = 1, 2, 3, ..., n
𝑎𝑡 adalah error pada periode t
𝑎𝑡−𝑖 adalah error pada periode t – i, i = 1, 2,...q 𝜃0 adalah suatu konstanta
𝜃𝑖 adalah parameter moving average ke-i, i = 1, 2, ..., q
Model MA(q) pada Persamaan (2.5) dapat pula ditulis dalam bentuk (Box dkk, 1994):
𝑍𝑡 = 𝜃0+ 𝜃(𝐵)𝑎𝑡, (2.6)
dengan 𝜃 𝐵 = 1 − 𝜃1𝐵 − 𝜃2𝐵2− ⋯ − 𝜃𝑞𝐵𝑞 dan 𝐵𝑖𝑎𝑡 = 𝑎𝑡−𝑖 , i = 1, 2,..., q.
a. Model Moving Average Tingkat 1 atau MA(1)
Bagian ini diberikan moving average diawali dengan tingkat 1 atau proses MA(1), didefinisikan sebagai berikut (Wei, 2005):
𝑍𝑡 = 𝜃0+ 𝑎𝑡− 𝜃1𝑎𝑡−1 , (2.7)
dengan:
𝑍𝑡 adalah data pada periode , t = 1, 2, 3, ..., n
𝑎𝑡 adalah error pada periode
𝑎𝑡−1 adalah error pada periode t-1
t
t t
II-9 𝜃0 adalah suatu konstanta
𝜃1 adalah parameter moving average ke-1
b. Model Moving Average Tingkat 2 atau MA(2)
Model moving average tingkat 2 didefinisikan sebagai berikut (Wei, 2005): 𝑍𝑡 = 𝜃0+ 𝑎𝑡− 𝜃1𝑎𝑡−1 − 𝜃2𝑎𝑡−2 , (2.8)
dengan:
𝑍𝑡 adalah data pada periode , t = 1, 2, 3, ..., n
𝑎𝑡 adalah error pada periode
𝑎𝑡−𝑖 adalah error pada periode t−𝑖 , 𝑖 = 1, 2.
𝜃0 adalah suatu konstanta
𝜃𝑖 adalah parameter moving average ke-i , i = 1,2.
untuk model MA tingkat 3, MA tingkat 4 dan seterusnya, model ini dapat dilanjutkan dengan mengikuti pola umum MA(q) pada Persamaan (2.5).
3. Model Autoregressive Moving Average atau ARMA(p, q)
Model kombinasi antara AR(p) dengan MA(q) dapat dinyatakan sebagai model ARMA(p, q), dengan bentuk umumnya yaitu (Wei, 2005):
𝑍𝑡 = 𝜙0+ 𝜙1𝑍𝑡−1+ ⋯ + 𝜙𝑝𝑍𝑡−𝑝+ 𝑎𝑡− 𝜃1𝑎𝑡−1− ⋯ − 𝜃𝑞𝑎𝑡−𝑞 , (2.9) dengan:
𝑍𝑡 adalah data pada periode , t = 1, 2, 3, ..., n 𝑍𝑡−𝑖 adalah data pada periode 𝑡 − 𝑖, 𝑖 = 1, 2, … , 𝑝 𝑎𝑡 adalah error pada periode
𝑎𝑡−𝑖 adalah error pada periode 𝑡 − 𝑖, 𝑖 = 1, 2, … , 𝑞
𝜙0 adalah suatu konstanta
𝜙𝑖 adalah parameter autoregressive ke-i, 𝑖 = 1, 2, … , 𝑝 𝜃𝑖 adalah parameter moving average ke-i, 𝑖 = 1, 2, … , 𝑞
t t
t
II-10 Model ARMA(p,q) pada Persamaan (2.9) dapat pula ditulis dalam bentuk (Box dkk, 1994):
𝜙 𝐵 𝑍𝑡 = 𝜃0+ 𝜃(𝐵)𝑎𝑡 (2.10)
dengan 𝜙 𝐵 = 1 − 𝜙1𝐵 − 𝜙2𝐵2− ⋯ − 𝜙𝑝𝐵𝑝 dan
𝜃 𝐵 = 1 − 𝜃1𝐵 − 𝜃2𝐵2− ⋯ − 𝜃 𝑞𝐵𝑞
Contoh 2.1 Model ARMA(1,1)
Model ini merupakan kombinasi antara AR(1) dan MA(1), secara matematis dapat difenisikan sebagai berikut (Wei, 2005):
𝑍𝑡 = 𝜙0+ 𝜙1𝑍𝑡−1+ 𝑎𝑡 − 𝜃1𝑎𝑡−1 , (2.11) dengan:
𝑍𝑡 adalah data pada periode , t = 1, 2, 3, ..., n 𝑍𝑡−1 adalah data pada periode
𝑎𝑡 adalah error pada periode t 𝑎𝑡−1 adalah error pada periode t - 1
𝜙0 adalah suatu konstanta
𝜙1 adalah parameter autoregressive ke-1 𝜃1 adalah parameter moving average ke-1
untuk model ARMA(2,2), ARMA(3,3) dan seterusnya model ini dapat dilanjutkan dengan mengikuti pola umum ARMA(p,q) pada Persamaan (2.9).
2.6 Model Time Series Linier Non Stasioner
Secara umum, model ARIMA terdiri dari 3 parameter: (p,d,q), dimana p merupakan parameter autoregressive, q merupakan parameter moving average, d menggambarkan jumlah proses differencing. Secara matematis, model ini ditulis sebagai berikut (Wei, 2005):
𝑍𝑡 = 𝜙0+ 1 + 𝜙1 𝑍𝑡−1+ 𝜙2− 𝜙1 𝑍𝑡−2+ ⋯ + 𝜙𝑝 − 𝜙𝑝−1 𝑍𝑡−𝑝 − 𝜙𝑝𝑍𝑡−𝑝−1+ 𝑎𝑡 − 𝜃1𝑎𝑡−1 − ⋯ − 𝜃𝑞𝑎𝑡−𝑞 , (2.12) t 1 t
II-11 dengan:
𝑍𝑡 adalah data pada periode t, t = 1, 2, ..., n
𝑍𝑡−𝑖 adalah data pada periode 𝑡 − 𝑖, 𝑖 = 1, 2, … , 𝑝 𝑎𝑡 adalah error pada periode t
𝑎𝑡−𝑖 adalah error pada periode 𝑡 − 𝑖, 𝑖 = 1, 2, … , 𝑞 𝜙0 adalah suatu konstanta
𝜙𝑖 adalah parameter autoregressive ke-i, 𝑖 = 1, 2, … , 𝑝 𝜃𝑖 adalah parameter moving average ke-i, 𝑖 = 1, 2, … , 𝑞 Model ARIMA(p,d,q) pada Persamaan (2.12) dapat ditulis dalam bentuk:
𝜙 𝐵 (1 − 𝐵)𝑑𝑍𝑡 = 𝜙0+ 𝜃(𝐵)𝑎𝑡 (2.13)
dengan:
𝜙 𝐵 = 1 − 𝜙1𝐵 − 𝜙2𝐵2− ⋯ − 𝜙𝑝𝐵𝑝,
(1 − 𝐵)𝑑 adalah differencing tingkat d dan 𝜃 𝐵 = 1 − 𝜃1𝐵 − 𝜃2𝐵2− ⋯ − 𝜃𝑞𝐵𝑞.
a. Model Autoregressive Integrated Moving Average (1,1,0)
Model ini ditulis dalam bentuk matematis sebagai berikut (Wei, 2005):
𝑍𝑡 = 𝜙0+ 1 + 𝜙1 𝑍𝑡−1− 𝜙1𝑍𝑡−2+ 𝑎𝑡 (2.14)
dengan:
𝑍𝑡 adalah data pada periode t, t = 1, 2, ..., n
𝑍𝑡−𝑖 adalah data pada periode 𝑡 − 𝑖, i = 1, 2. 𝑎𝑡 adalah error pada periode t
𝜙0 adalah suatu konstanta
𝜙1 adalah parameter autoregressive tingkat 1
b. Model Autoregressive Integrated Moving Average (2,1,0) Model berikut dalam bentuk matematis yaitu:
II-12 dengan:
𝑍𝑡 adalah data pada periode t, t = 1, 2, ..., n 𝑍𝑡−𝑖 adalah data pada periode 𝑡 − 𝑖, i = 1, 2, 3.
𝑎𝑡−1 adalah error pada periode t - 1
𝜙0 adalah suatu konstanta
𝜙𝑖 adalah parameter autoregressive tingkat ke – i, i = 1, 2.
c. Model Autoregressive Integrated Moving Average (1,2,1) Model tersebut dalam bentuk matematis sebagai berikut:
𝑍𝑡 = 𝜙0+ 2 + 𝜙1 𝑍𝑡−1− 1 + 2𝜙1 𝑍𝑡−2 + 𝜙1𝑍𝑡−3+ 𝑎𝑡 − 𝜃1𝑎𝑡−1 (2.16)
dengan:
𝑍𝑡 adalah data pada periode t, t = 1, 2, ..., n
𝑍𝑡−𝑖 adalah data pada periode 𝑡 − 𝑖, i = 1, 2, 3.
𝑎𝑡 adalah error pada periode t
𝑎𝑡−1 adalah error pada periode 𝑡 − 1 𝜙0 adalah suatu konstanta
𝜙1 adalah parameter autoregressive tingkat 1
𝜃1 adalah parameter moving average tingkat 1
d. Model Autoregressive Integrated Moving Average (1,1,1)
Model ini ditulis dalam bentuk matematis sebagai berikut (Wei, 2005):
𝑍𝑡 = 𝜙0+ 1 + 𝜙1 𝑍𝑡−1− 𝜙1𝑍𝑡−2+ 𝑎𝑡− 𝜃1𝑎𝑡−1 (2.17) dengan:
𝑍𝑡 adalah data pada periode t, t = 1, 2, ..., n 𝑍𝑡−𝑖 adalah data pada periode 𝑡 − 𝑖, i = 1, 2. 𝑎𝑡 adalah error pada periode t
𝑎𝑡−1 adalah error pada periode 𝑡 − 1 𝜙0 adalah suatu konstanta
II-13 𝜙1 adalah parameter autoregressive tingkat 1
𝜃1 adalah parameter moving average tingkat 1
2.7 Model Seasonal Autoregressive Integrated Moving Average (p,d,q)(P,D,Q)S
Time series seasonal mempunyai karakteristik yang ditunjukkan oleh adanya korelasi beruntun yang kuat pada jarak semusim, yakni waktu yang berkaitan dengan observasi pada tiap periode musim (Sitepu, 2008). Model berikut ini merupakan model untuk data yang mengandung unsur pola seasonal. Secara umum bentuk model ARIMA Box Jenkins pola seasonal atau ARIMA(p,d,q)(P,D,Q)S adalah sebagai berikut (Wei,1989):
𝜙𝑝 𝐵 Φ𝑃 𝐵 𝑠 1 − 𝐵 𝑑 1 − 𝐵𝑠 𝐷𝑍𝑡 = 𝜙0+ 𝜃𝑞(𝐵)Θ𝑄(𝐵)𝑠𝑎𝑡 (2.18)
dengan:
p,d,q adalah tingkat AR, differencing dan MA nonseasonal P,D,Q adalah tingkat AR, differencing dan MA seasonal 𝜙𝑝 𝐵 = (1 − 𝜙1𝐵 − 𝜙2𝐵2 − ⋯ − 𝜙𝑝𝐵𝑝)
Φ𝑃 𝐵 𝑠 = (1 − Φ1𝐵𝑠− Φ2𝐵2𝑠− ⋯ − Φ𝑃𝐵𝑃𝑆)
1 − 𝐵 𝑑 adalah tingkat differencing nonseasonal
1 − 𝐵𝑠 𝐷 adalah tingkat differencing seasonal
𝑍𝑡 adalah data pada periode t, t = 1, 2, 3,...., n 𝜃𝑞(𝐵) = (1 − 𝜃1𝐵 − 𝜃2𝐵2− ⋯ − 𝜃𝑞𝐵𝑞)
Θ𝑄(𝐵)𝑠 = (1 − Θ
1𝐵𝑠− Θ2𝐵2𝑠− ⋯ − Θ𝑄𝐵𝑄𝑆)
𝑎𝑡 adalah error pada periode t 𝜙0 adalah suatu konstanta
II-14 Contoh 2.2
Model ARIMA(2,1,0) 2,1,0 12
Model berikut merupakan kombinasi antara model AR(2) nonseasonal sekali differencing dengan model AR(2) seasonal sekali differencing, dengan model matematisnya sebagai berikut:
𝜙2 𝐵 Φ2 𝐵 12 1 − 𝐵 1 − 𝐵12 𝑍𝑡 = 𝜙0+ 𝑎𝑡 (2.19) dengan: 𝜙2 𝐵 = 1 − 𝜙1𝐵 − 𝜙2𝐵2 Φ2 𝐵 12 = 1 − Φ 1𝐵12 − Φ2𝐵24 Sehingga diperoleh: 𝑍𝑡 = 1 + 𝜙1 𝑍𝑡−1− 𝜙1𝑍𝑡−2+ 1 + Φ1 𝑍𝑡−12− 𝜙1Φ1+ Φ1+ 𝜙1+ 1 𝑍𝑡−13+ 𝜙1Φ1+ 𝜙1 𝑍𝑡−14− Φ1− Φ2 𝑍𝑡−24− 𝜙1Φ2+ Φ2− 𝜙1Φ1− Φ1 𝑍𝑡−25− 𝜙1Φ1− 𝜙1Φ2 𝑍𝑡−26− Φ2𝑍𝑡−36+ 𝜙1Φ2+ Φ2 𝑍𝑡−37− 𝜙1Φ2𝑍𝑡−38+ 𝑎𝑡 (2.20)
2.8 Prosedur Menstasionerkan Data
Secara umum data yang tidak stasioner dapat distasionerkan dengan cara mencari selisih satu atau dengan derajat tertentu terhadap data aktual sebelumnya (differencing). Persamaan matematisnya adalah sebagai berikut:
𝛻𝑍𝑡 = 𝑍𝑡− 𝑍𝑡−1 (2.21) Sehingga dapat ditulis untuk selisih derajat d dengan 𝛻𝑑𝑍
𝑡.
Di beberapa kasus dapat terjadi bahwa selisih (difference) pertama suatu time series masih nonstasioner, tetapi selisih yang kedua stasioner. Tujuan menghitung differencing adalah untuk mencapai stasioneritas (Makridakis dkk, 1983). Selisih tingkat dua adalah selisih pertama dari series hasil selisih pertama untuk time series asli, jika 𝛻2𝑍𝑡 adalah differencing orde dua dari 𝑍𝑡, dan 𝛻𝑍𝑡 adalah differencing
tingkat pertama dari 𝑍𝑡, maka selisih hasil differencing tingkat dua dari 𝑍𝑡 yaitu: 𝛻2𝑍
𝑡 = 𝛻𝑍𝑡 − 𝛻𝑍𝑡−1
𝛻2𝑍
II-15 𝛻2𝑍
𝑡 = 𝑍𝑡− 2𝑍𝑡−1+ 𝑍𝑡−2 (2.22)
Sedangkan pada differencing seasonal sama dengan differencing nonseasonal, perbedaannya terletak pada periode data sebelumnya. Jika differencing seasonal berorder satu, maka secara matematis ditulis dalam bentuk (Box dkk, 1994):
𝛻𝑆𝑍𝑡 = 𝑍𝑡− 𝑍𝑡−𝑠 (2.23) dengan S adalah periode seasonal, sehingga untuk selisih derajat D dengan 𝛻𝑆𝐷𝑍𝑡.
Jika dalam differencing seasonal tingkat satu belum stasioner, maka dilakukan differencing seasonal tingkat dua, yang secara matematis sebagai berikut:
𝛻𝑆2𝑍𝑡 = 𝛻𝑆𝑍𝑡 − 𝛻𝑆𝑍𝑡−𝑠
𝛻𝑆2𝑍𝑡 = 𝑍𝑡 − 𝑍𝑡−𝑠 − 𝑍𝑡−𝑠− 𝑍𝑡−𝑠−𝑠
𝛻𝑆2𝑍𝑡 = 𝑍𝑡 − 2𝑍𝑡−𝑠 + 𝑍𝑡−2𝑠 (2.24)
2.9 Prosedur Metode ARIMA Box-Jenkins
Langkah-langkah dalam prosedur Box-Jenkins adalah sebagai berikut: a. Identifikasi Model
Identifikasi model data time series yang stasioner digunakan ACF dan PACF. Autokorelation function (ACF) merupakan fungsi yang menunjukkan besarnya korelasi antara data pada waktu ke t dengan data pada waktu-waktu sebelumnya. Partial autokorelation function (PACF) yaitu fungsi yang menunjukkan besarnya korelasi parsial antara pengamatan (data) pada waktu ke t dengan pengamatan pada waktu-waktu sebelumnya.
Identifikasi model dilakukan dengan melihat grafik autokorelasi dan autokorelasi parsial data. Grafik ACF digunakan untuk menentukan kestasioneran data time series pada model AR(p), yaitu dengan melihat lag-lagnya yang turun secara eksponensial atau sinusoidal. Sedangkan grafik PACF untuk menentukan kelas model dari data time series yang digunakan, yaitu dengan melihat fungsi cut off setelah lag p. Pada model MA(q) grafik PACF digunakan untuk menentukan kestasioneran data time series, yaitu dengan melihat lag-lagnya yang turun secara
II-16 eksponensial atau sinusoidal. Kemudian grafik ACF untuk menentukan kelas model dari data time series yang digunakan, yaitu dengan melihat fungsi cut off setelah lag q (Montgomery dkk, 2008; Efendi, 2010).
Identifikasi model untuk data yang mengandung unsur seasonal dan trend, juga dilakukan dengan melihat pasangan ACF dan PACF. Periode seasonal pada kasus data seasonal trend diperoleh dengan melihat grafik ACF hasil differencing nonseasonal yaitu lag yang mempunyai nilai korelasi yang tertinggi (Cryer, 1986).
b. Estimasi Parameter
Tahap ini dilakukan untuk menentukan parameter pada model sementara. Untuk memperoleh nilai taksiran parameter yang optimal dapat digunakan metode kuadrat terkecil. Setelah parameter ditaksir, selanjutnya dilakukan uji signifikansi parameter model.
Metode kuadrat terkecil yaitu suatu metode yang digunakan untuk mengestimasi parameter dengan cara meminimumkan jumlah kuadrat error. Jumlah kuadrat error untuk persamaan time series tingkat satu analog dengan persamaan kuadrat error regresi linier sederhana, yaitu (Sembiring, 1995):
𝐽 = 𝑛𝑖=1𝑒𝑖2 = 𝑛 𝑦𝑖− 𝑦 𝑖 2
𝑖=1 (2.25)
untuk persamaan regresi sederhana:
𝑦 𝑖 = 𝛼 + 𝛽𝑥𝑖 dengan i = 1, 2,...., n (2.26) Sedangkan untuk time series, misalnya model AR(1) notasi 𝑦𝑖 diganti dengan 𝑍𝑡, 𝑥𝑖
dengan 𝑍𝑡−1, 𝑒𝑖 dengan 𝑎𝑡, α dengan 𝜙0 dan β dengan 𝜙1, maka Persamaan (2.25) menjadi:
𝐽 = 𝑛𝑡=1𝑎𝑡2 = 𝑛𝑡=1 𝑍𝑡 − 𝑍 𝑡 2 (2.27) untuk model persamaan berikut:
𝑍 𝑡 = 𝜙0+ 𝜙1𝑍𝑡−1 (2.28) dengan mensubtitusikan pada Persamaan (2.28) ke Persamaan (2.27), maka jumlah
II-17 𝐽 = 𝑛𝑡=1𝑎𝑡2 = 𝑛𝑡=1 𝑍𝑡 − 𝜙0− 𝜙1𝑍𝑡−1 2 (2.29)
Meminimumkan kuadrat error berarti meminimumkan Persamaan (2.29) dengan cara menurunkan terhadap parameter 𝜙0 dan 𝜙1 serta menyamakan dengan nol.
𝜕𝐽 𝜕𝜙0 = 0 𝜕𝐽 𝜕𝜙0 = 𝜕 𝜕𝜙0 𝑍𝑡 − 𝜙0− 𝜙1𝑍𝑡−1 2 𝑛 𝑡=1
=
0 −2 𝑛𝑡=1 𝑍𝑡−𝜙0− 𝜙1𝑍𝑡−1 = 0 𝑍𝑡 𝑛 𝑡=1 − 𝑛𝑡=1𝜙0− 𝑛𝑡=1𝜙1𝑍𝑡−1 = 0 𝑍𝑡 𝑛 𝑡=1 − 𝑛𝑡=1𝜙1𝑍𝑡−1 = 𝑛𝜙0 𝜙0 = 𝑛𝑡=1𝑍𝑡 𝑛 − 𝜙1 𝑍𝑡−1 𝑛 𝑡=1 𝑛 𝜙0 = 𝑍 𝑡 − 𝜙1𝑍 𝑡−1 (2.30) selanjutnya untuk menurunkan pada Persamaan (2.29) terhadap 𝜙1, maka:𝜕𝐽 𝜕𝜙1 = 0 𝜕𝐽 𝜕𝜙1 = 𝜕 𝜕𝜙1 𝑍𝑡 − 𝜙0− 𝜙1𝑍𝑡−1 2 = 0 𝑛 𝑡=1 −2 𝑛𝑡=1 𝑍𝑡− 𝜙0− 𝜙1𝑍𝑡−1 𝑍𝑡−1 = 0 𝑍𝑡𝑍𝑡−1 𝑛 𝑡=1 − 𝜙0 𝑛𝑡=1𝑍𝑡−1 − 𝜙1 𝑛𝑡=1 𝑍𝑡−1 2 = 0 𝑍𝑡𝑍𝑡−1 𝑛 𝑡=1 − 𝑍𝑡 𝑛 𝑡=1 𝑛 𝑍𝑡−1 𝑛 𝑡=1 − 𝜙1 𝑛𝑡=1 𝑍𝑡−1 2− 𝑛𝑡=1𝑍𝑡−1 2 𝑛 = 0 𝜙1 = 𝑍𝑡𝑍𝑡−1− 𝑍𝑡 𝑛 𝑡=1 𝑛𝑡=1𝑍𝑡−1 𝑛 𝑛 𝑡=1 𝑛𝑡=1(𝑍𝑡−1) 2 − 𝑍𝑡−1 𝑛 𝑡=1 𝑛 2 (2.31)
Selanjutnya parameter yang sudah diestimasi perlu dilakukan uji signifikansi. Uji signifikansi pada penelitian tugas akhir ini menggunakan nilai P. Dengan menggunakan nilai P yang dibandingkan dengan level toleransi 𝛼 yaitu 0,05 yang digunakan dalam uji hipotesis berikut.
H0 : Parameter model = 0 (Parameter model tidak signifikan dalam model)
II-18 Kesimpulan untuk melihat uji signifikansi parameter model yang telah dimodelkan dengan kriteria penolakan H0 yaitu jika nilai P < level toleransi (α =5% )
(Iriawan dkk, 2006).
c. Verifikasi Model (Diagnostik Check)
Tahap verifikasi model dilakukan untuk melihat apakah model yang dihasilkan telah layak digunakan dengan melihat residual model. Pada tahap ini dilakukan uji independensi dan uji kenormalan residual.
1. Uji Independensi Residual
Uji ini dilakukan untuk mendeteksi independensi residual antar lag. Dua lag dikatakan independen (tidak berkorelasi) apabila antar lag tidak ada korelasi (Iriawan dkk, 2006). Uji independensi residual dapat dilakukan dengan melihat pasangan autokorelasi dan autokorelasi parsial residual yang dihasilkan model. 2. Uji Kenormalan Residual
Uji ini dilakukan dengan melihat histogram residual. Jika histogram residual telah mengikuti pola kurva normal, maka model telah memenuhi asumsi kenormalan sehingga model layak digunakan untuk forecasting.
Setelah kedua uji tersebut dipenuhi dilakukan lagi uji kerandoman residualnya yaitu dengan membandingkan nilai P pada output proses Ljung Box Pierce dengan level toleransi (𝛼 = 0,05) dalam uji hipotesis:
H0 : Residual model mengikuti proses random
H1 : Residual model tidak mengikuti proses random
Kriteria penerimaan H0 yaitu jika nilai P > level toleransi (Montgomery, 2008).
Jika model yang sesuai diperoleh lebih dari satu model, maka untuk memilih model yang terbaik dilakukan uji MSE (Mean Square Error) yaitu pada masing-masing training (in-sample) data maupun testing (out-sample) sebagai berikut: MSE
=
𝑛1 𝑍𝑡− 𝑍 𝑡2 𝑛
II-19 dengan:
𝑍𝑡 adalah data pada periode t, t = 1, 2,..., n 𝑍 𝑡 adalah data ramalan periode t
𝑛 adalah jumlah data
Model yang dipilih merupakan model yang mempunyai nilai MSE yang terkecil.
d. Penerapan Model Forecasting
Tahap terakhir pada model time series (Box-Jenkins) yang telah diperoleh dari tahap sebelumnya digunakan untuk menentukan nilai ramalan jumlah kunjungan wisatawan mancanegara ke Provinsi Riau. Untuk melakukan forecasting, baik tidaknya hasil ramalan suatu model sangat menentukan keputusan apakah model tersebut akan dipakai atau sebaliknya.
Selanjutnya pada tahap forecasting, data yang digunakan yaitu data hasil forecasting pada data testing. Misalnya, model yang diperoleh adalah AR(1) maka tahap forecasting tersebut disajikan sebagai berikut:
1. Training
𝑍 2 = 𝜙0+ 𝜙1𝑍1 (2.33)
dan seterusnya hingga data terakhir pada data training. 2. Testing
𝑍 𝑡 = 𝜙0+ 𝜙1𝑍 𝑡−1 (2.34)
dengan 𝑍 𝑡−1 adalah data terakhir hasil forecasting pada data training. 3. Forecasting
Model matematis untuk tahap forecasting ini sama dengan model matematis data testing pada Persamaan (2.34), tetapi 𝑍 𝑡−1 adalah data terakhir hasil peramalan pada data testing.
II-20
2.10 Penelitian-penelitian yang Terkait Model Forecasting Time Series Jumlah Kunjungan Wisatawan Mancanegara
Penelitian yang berhubungan dengan forecasting kunjungan wisatawan mancanegara dalam perkembangannya telah banyak diteliti sebagaimana yang disajikan pada Tabel 2.1 sebagai berikut:
Tabel 2.1 Beberapa penelitian forecasting wisatawan mancanegara
No Judul Penelitian Peneliti Metode Tahun
1.
Forecasting International Tourism Demand in Malaysia Using Box Jenkins Sarima Application
Loganathan,
dkk SARIMA 2010
2.
Modeling And Forecasting Tourist Flows To Barbados Using Seasonal Univariate Time Series Models
Mahalia
Jackman Seasonal 2010
3.
Peramalan Kunjungan Wisatawan Manca Negara Melalui Bandara Ngurah Rai dengan Analisis Time Series
Suhermin Ari Pujiati
Analisis Time
Series 2009
4. Perbandingan Metode Peramalan Untuk Deret Waktu Musiman
Suhermin Ari Pujiati Time Series Regression, Winter’s E.S, Naive Model 2009 5.
Perbandingan Peramalan Kunjungan Wisatawan Mancanegara Di Propinsi DIY Dengan Metode Exponential Smoothing Holt-Winter Dan Seasonal Arima Annis Asmaul Husna Metode Exponential Smoothing Holt-Winter dan SARIMA 2009 6.
Peramalan Jumlah Pengunjung Dengan Metode Dekomposisi Serta Kontribusi Jumlah Pengunjung Terhadap Pendapatan Objek Wisata Pantai Purwahamba Indah Tegal X
Annis Asmaul Husna Metode Dekomposisi 2009 7.
Analisis Intervensi Multi Input Fungsi Step dan Pulse untuk Peramalan Kunjungan Wisatawan ke Indonesia
Eka
Nuvitasari, dkk
Analisis
BAB III
METODOLOGI PENELITIAN
Metode penelitian yang digunakan adalah studi lapangan dan studi pustaka. Studi lapangan dilakukan dengan tanya jawab dan pengumpulan data jumlah kunjungan wisatawan mancanegara ke Provinsi Riau kepada pihak pegawai negeri sipil di Dinas Kebudayaan dan Pariwisata Provinsi Riau. Sedangkan studi pustaka dilakukan penelaahan sumber pustaka yang relevan dengan permasalahan yang dikaji untuk mendapatkan informasi yang diperlukan, sehingga memunculkan gagasan yang akhirnya dapat dijadikan landasan dalam melakukan penelitian. Sumber pustaka yang dimaksud adalah buku-buku materi time series (khususnya metode Box-Jenkins). Kemudian melakukan analisa data dengan prosedur metode ARIMA Box-Jenkins.
3.1 Jenis dan Sumber Data Penelitian
a. Jenis Data
Data yang digunakan dalam penelitian ini yaitu data runtun waktu perbulan selama 7 tahun mulai bulan Januari 2004 sampai dengan bulan Desember 2010. Adapun variabel dalam penelitian ini adalah jumlah kunjungan wisatawan mancanegara.
b. Sumber Data
Sumber data pada penelitian ini adalah data sekunder oleh Dinas Kebudayaan dan Pariwisata Provinsi Riau.Data yang digunakan dalam penelitian ini tidak diambil secara langsung (primer), akan tetapi peneliti mengambil data yang telah ada (dicatat) oleh bagian pengolahan data pada Dinas Kebudayaan dan Pariwisata Provinsi Riau.
III-2
3.2 Metode Analisis Data
Penelitian ini menggunakan metode analisis data yaitu metode Box-Jenkins, sedangkan untuk pengolahan data dilakukan dengan menggunakan bantuan software statistika yaitu Minitab. Adapun langkah-langkah pembentukan model forecasting dengan menggunakan metode Box-Jenkins adalah sebagai berikut:
Langkah 1. Identifikasi Model
Tahapan yang dilakukan pada identifikasi model Box-Jenkins adalah melihat data stasioner atau tidak. Pada identifikasi model data time series yang stasioner digunakan ACF dan PACF. Apabila data tidak stasioner, maka perlu dimodifikasi untuk menghasilkan data yang stasioner dengan cara differencing.
Tahap identifikasi model ini dilakukan dengan pembuatan plot data aktual, pembuatan grafik fungsi autokorelasi (ACF) dan pembuatan grafik fungsi autokorelasi parsial (PACF) dengan bantuan software minitab. Tahap ini yaitu mencari model yang paling sesuai dengan data, yang dilakukan dengan melihat grafik pasangan ACF dan PACF data.
Langkah 2. Estimasi Parameter
Pada langkah ini akan ditentukan parameter model dari model sementara hasil identifikasi yaitu dengan menggunakan metode kuadrat terkecil. Uji signifikansi parameter model digunakan uji signifikasi nilai P yang dibandingkan dengan level toleransi 𝛼 .
Langkah 3. Verifikasi (Diagnostic Check) Model
Pengujian diagnostik dilakukan untuk menguji kelayakan model peramalan, jika model yang diperoleh belum layak maka dicari model lain. Pada penelitian ini terdapat uji yang dilakukan dalam tahap diagnostik yaitu uji independensi dan kenormalan residual.
III-3 a. Uji Independensi Residual
Uji ini dilakukan untuk melihat independensi residual antar lag yang dapat dilakukan dengan melihat pasangan ACF dan PACF residual yang dihasilkan model.
b. Uji Kenormalan Residual
Uji ini dilakukan dengan melihat histogram residual yang dihasilkan model. Jika histogram residual telah mengikuti pola kurva normal, maka model asumsi kenormalan telah dipenuhi. Selain dengan uji independensi residual dan uji kenormalan residual pada tahap verifikasi model juga dilihat uji kerandoman residual dengan membandingkan nilai P terhadap level toleransi pada output proses Ljung Box Pierce. Jika model yang diperoleh lebih dari satu maka pada masing-masing training data dan testing dilakukan uji mean squared error.
Langkah 4. Forecasting
Setelah mendapatkan model peramalan terbaik, selanjutnya dilakukan peramalan. Tahap ini terdiri atas tiga bagian, yaitu untuk data training, testing dan forecasting.
III-4 Langkah–langkah pengumpulan data dan pembentukan model forecasting di atas dapat digambarkan dalam flow chart sebagai berikut:
Tidak
Ya
Gambar 3.1 Flow chart metode pengumpulan data dan pembentukan model Mulai
Survey ke Dinas Kebudayaan dan Pariwisata Provinsi Riau
Koleksi Data Identifikasi model Estimasi parameter Verifikasi (Diagnostic check) Selesai Organisir Data Forecasting
BAB IV
HASIL DAN PEMBAHASAN
Pada bab IV ini akan dilakukan pembahasan model time series untuk forecasting tingkat kunjungan wisatawan mancanegara ke Provinsi Riau, yang terdiri dari data dan pembentukan model forecasting jumlah kunjungan wisatawan mancanegara. Adapun langkah-langkah dalam metode Box-Jenkins yaitu identifikasi model, estimasi parameter model, verifikasi model (diagnostic check) dan penerapan model forecasting.
4.1 Deskriptif Tingkat Kunjungan Wisatawan Mancanegara ke Provinsi Riau
Tingkat kunjungan wisatawan mancanegara ke Provinsi Riau selama 7 tahun mulai dari Tahun 2004 sampai Tahun 2010 mengalami penurunan. Sehingga untuk lebih jelasnya, berikut akan disajikan jumlah kunjungan wisatawan mancanegara dalam bentuk histogram pada Gambar 4.1.
Gambar 4.1 Histogram wisatawan mancanegara ke Provinsi Riau
Berdasarkan Gambar 4.1 dapat dilihat bahwa tingkatkunjungan wisatawan mancanegara ke Provinsi Riau tertinggi pada Tahun 2004 sedangkan terendah pada Tahun 2009. Tingginya tingkat kunjungan wisatawan mancanegara ke Provinsi Riau pada Tahun 2004 diakibatkan oleh Kepulauan Riau pada tahun
IV-2 tersebut masih tergabung dengan Provinsi Riau. Sedangkan rendahnya tingkat kunjungan wisatawan mancanegara ke Provinsi Riau pada Tahun 2009 disebabkan oleh kondisi krisis global yang melanda hampir semua negara di dunia (BPS: Berita Resmi, 2009). Berikut merupakan tabel deskriptif statistik tingkat kunjungan wisatawan mancanegara (wisman) ke Provinsi Riau:
Tabel 4.1 Deskriptif statistik kunjungan wisatawan mancanegara
Variabel N
(Jumlah data) Mean
Minimum (Orang)
Maximum (Orang)
Wisman 84 3.480 1.843 9.291
Tabel 4.1 menunjukkan bahwa nilai rata-rata jumlah kunjungan wisatawan mancanegara ke Provinsi Riau selama 84 bulan terakhir terhitung Januari 2004 sampai Desember 2010 adalah 3.480 orang. Hal ini berarti bahwa rata-rata setiap bulan Provinsi Riau menerima 3.480 orang wisatawan mancanegara. Jumlah wisatawan mancanegara terendah adalah 1.843 orang, yaitu yang terjadi pada bulan Januari 2010, sedangkan jumlah wisatawan mancanegara tertingginya mencapai 9.291 orang, yaitu terjadi pada bulan November 2004.
4.2 Pembentukan Model Forecasting
Pembentukan model forecasting dilakukan dengan metode Box-Jenkins terdiri dari 84 data yang terhitung dari bulan Januari 2004 sampai Desember 2010. Data jumlah kunjungan perbulan wisatawan mancanegara ke Provinsi Riau disajikan dalam Lampiran A. Adapun langkah-langkah metode Box-Jenkins yaitu identifikasi model, estimasi parameter, verifikasi model dan forecasting.
Langkah 1. Identifikasi Model
Identifikasi model dilakukan untuk melihat kestasioneran data dan menentukan model sementara yang sesuai dengan data kunjungan wisatawan mancanegara dengan cara membuat plot data, grafik autokorelasi serta autokorelasi parsial data aktual. Plot data aktual terlihat pada gambar berikut:
IV-3
Gambar 4.2 Grafik data aktual wisatawan mancanegara
Berdasarkan Gambar 4.2 menunjukkan bahwa terjadi pola kenaikan pada periode pertama sampai periode sebelas dan pada periode berikutnya terjadi pola penurunan serta terdapat pola tertentu. Pola kenaikan pada sebelas periode pertama mengindikasikan bahwa data tidak stasioner. Selanjutnya untuk lebih meyakinkan dapat dilihat pasangan ACF dan PACF seperti pada Gambar 4.3.
Gambar 4.3 Grafik ACF dan PACF data aktual wisatawan
Grafik ACF dan PACF pada Gambar 4.3 menunjukkan bahwa data tidak stasioner karena lag-lag pada ACF turun secara lambat atau tidak turun secara eksponensial. Selain itu, lag-lag pada ACF mengindikasikan adanya unsur pola seasonal pada data ditandai dengan lag-lag ACF yang membentuk pola gelombang. Secara jelas pola gelombang terlihat pada lag empat sampai pada lag
IV-4 delapan, maka dapat disimpulkan bahwa data tidak stasioner. Untuk menghilangkan ketidakstasioneran data yang diakibatkan oleh pola kenaikan dan pola seasonal dilakukan differencing nonseasonal dan differencing seasonal.
Pertama, untuk menghilangkan pola kenaikan pada pattern data dilakukan differencing nonseasonal tingkat pertama. Kemudian data hasil differencing nonseasonal tingkat pertama disajikan pada Gambar 4.4 dan Lampiran B.
Gambar 4.4 Data hasil differencing nonseasonal tingkat pertama
Berdasarkan Gambar 4.4 dapat dilihat bahwa data berfluktuasi sepanjang sumbu horizontal sehingga secara kasat mata (visual) terlihat bahwa data cenderung stasioner, tetapi untuk lebih meyakinkan dilakukan uji pasangan ACF dan PACF. Grafik pasangan ACF dan PACF disajikan pada Gambar 4.5.
IV-5 Grafik ACF dan PACF setelah dilakukan differencing nonseasonal tingkat pertama pada Gambar 4.5 menunjukkan bahwa data sudah stasioner dari pola kenaikan. Berdasarkan Gambar 4.5 dapat diketahui bahwa terdapat dua model nonseasonal yang sesuai yaitu model AR(2) dan model MA(1). Model AR(2) dapat diketahui dari lag-lag pada ACF yang turun secara eksponensial dan PACF cut off setelah lag 2. Disamping itu, model MA(1) dapat diketahui dari lag kedua dan ketiga pada PACF turun secara eksponensial dan ACF cut off setelah lag 1. Grafik ACF pada Gambar 4.5 menunjukkan bahwa nilai korelasi positif tertinggi pada lag 12 yaitu 0,309084. Hal ini berarti bahwa periode seasonalnya signifikan pada lag 12, maka diperoleh nilai 𝑆 = 12.
Kedua, untuk menghilangkan pola seasonal pada data wisatawan mancanegara ke Provinsi Riau, maka perlu dilakukan differencing seasonal tingkat pertama. Data hasil differencing seasonal tingkat pertama disajikan pada Gambar 4.6 dan Lampiran B.
Gambar 4.6 Data hasil differencing seasonal tingkat pertama
Gambar 4.6 menunjukkan bahwa data wisatawan mancanegara ke Provinsi Riau setelah dilakukan differencing seasonal tingkat pertama cenderung stasioner dari pola seasonal, karena dapat dilihat secara kasat mata (visual) bahwa data telah berfluktuasi sepanjang sumbu horizontal, sehingga untuk lebih meyakinkan bahwa pattern data cenderung stasioner dapat dilihat pada pasangan ACF dan PACF sebagai berikut:
IV-6
Gambar 4.7 ACF dan PACF differencing seasonal tingkat pertama
Gambar 4.7 menggambarkan bahwa data sudah stasioner, karena lag-lag pada ACF dan PACF turun secara eksponensial. Identifikasi model untuk model seasonal dapat dilihat dari pasangan ACF dan PACF pada Gambar 4.7. Berdasarkan Gambar 4.7 tersebut, bahwa ACF turun secara eksponensial dan PACF cut off setelah lag 2. Hal ini menunjukkan bahwa model seasonal yang sesuai adalah AR(2) dengan sekali differencing seasonal tingkat pertama. Disamping itu, lag-lag pada ACF dan PACF juga turun secara eksponensial serta cut off setelah lag 1 sehingga model ARMA(1,1) merupakan model yang sesuai.
Setelah dilakukan differencing nonseasonal dan seasonal masing-masing tingkat pertama, maka diperoleh model yang sesuai untuk jumlah kunjungan wisatawan mancanegara ke Provinsi Riau adalah model SARIMA(2,1,0)(2,1,0)12 dan model SARIMA(0,1,1)(1,1,1)12 dengan model matematisnya sebagai berikut:
Tabel 4.2 Model-model sementara yang sesuai
Model Bentuk Matematis
SARIMA(2,1,0)(2,1,0)12 𝜙2 𝐵 Φ2 𝐵 12 1 − 𝐵 1 1 − 𝐵12 1𝑍𝑡 = 𝜙0+ 𝑎𝑡
SARIMA(0,1,1)(1,1,1)12 Φ1 𝐵 12 1 − 𝐵 1 1 − 𝐵12 1𝑍𝑡 = 𝜙0+ 𝜃 𝐵 Θ(𝐵12)𝑎𝑡
Langkah 2. Estimasi Parameter Model
Langkah kedua dalam metode Box-Jenkins yaitu estimasi parameter pada model SARIMA(2,1,0)(2,1,0)12 dan model SARIMA(0,1,1)(1,1,1)12 serta
IV-7 konstanta dengan menggunakan metode kuadrat terkecil atau ordinary least square. Namun, karena data kunjungan wisatawan mancanegara ke Provinsi Riau yang digunakan dalam jumlah yang banyak, sehingga untuk mempermudah penyelesaian estimasi parameter maka digunakan software minitab untuk memperoleh nilai estimasi parameter model, serta konstantanya yang telah diidentifikasi dan dilakukan uji signifikansinya sebagai berikut dalam Tabel 4.3.
Tabel 4.3 Estimasi parameter model dan uji signifikansi
Model Parameter Koef SE Koef P-value Keputusan
SARIMA (2,1,0)(2,1,0)12 𝜙1 -0,7281 0,1264 0,000 Signifikan 𝜙2 -0,2547 0,1287 0,052 Tidak Signifikan Φ1 -0,4200 0,1360 0,003 Signifikan Φ2 0,4956 0,1308 0,000 Signifikan 𝜙0 16,3 100,8 0,872 Tidak Signifikan SARIMA (0,1,1)(1,1,1)12 𝜃1 0,7949 0,0798 0,000 Signifikan Φ1 -0,9811 0,0580 0,000 Signifikan Θ1 -0,6791 0,1712 0,000 Signifikan 𝜙0 23,2 34,11 0,498 Tidak Signifikan
Berdasarkan hasil estimasi parameter pada Tabel 4.3, diperoleh bahwa pada model SARIMA(2,1,0)(2,1,0)12 parameter-parameter yang signifikan adalah 𝜙1 = −0,7281, Φ1 = −0,4200, Φ2 = 0,4956. Hal ini dikarenakan nilai ketiga
parameter tersebut mempunyai P-value < (𝛼 = 0,05). Sedangkan untuk parameter 𝜙2 = −0,2547 serta nilai konstanta 𝜙0 = 16,3 tidak signifikan, karena mempunyai P-value > (𝛼 = 0,05). Sedangkan pada model
SARIMA(0,1,1)(1,1,1)12 terdapat tiga parameter yang signifikan yaitu parameter
𝜃1 = 0,7949, Φ1 = −0,9811, Θ1 = −0,679. Hal ini dikarenakan ketiga
parameter tersebut mempunyai P-value < (𝛼 = 0,05). Namun, nilai konstanta 𝜙0 = 23,23 tidak signifikan karena mempunyai P-value > (𝛼 = 0,05).
Adapun model SARIMA(2,1,0)(2,1,0)12 dapat ditulis kembali secara matematis menjadi:
𝑍𝑡 = 0,2719𝑍𝑡−1+ 0,7281𝑍𝑡−2+ 0,58𝑍𝑡−12 − 0,1577𝑍𝑡−13−
0,4222𝑍𝑡−14 + 0,9156𝑍𝑡−24 − 0,2489𝑍𝑡−25− 0,6667𝑍𝑡−26 −
IV-8 Sedangkan untuk model SARIMA(0,1,1)(1,1,1)12 setelah diestimasi parameter dan diuji signifikansinya dapat ditulis kembali modelnya secara matematis yaitu:
𝑍𝑡 = 𝑍𝑡−1+ 0,0189𝑍𝑡−12 − 0,0189 𝑍𝑡−13 + 0,9811𝑍𝑡−24+ 𝑎𝑡 −
0,9811𝑍𝑡−25 − 0,7949𝑎𝑡−1+ 0,6791𝑎𝑡−12 − 0,53982𝑎𝑡−13 (4.2)
Langkah 3. Verifikasi (Diagnostic Check) Model
Hal yang dilakukan pada tahapan ini yaitu melihat apakah model yang dihasilkan sudah layak digunakan untuk peramalan atau belum, dengan melihat residual yang dihasilkan model. Uji yang dilakukan pada penelitian ini yaitu uji independensi dan uji kenormalan residual serta uji kerandoman residual.
a. Uji Independensi Residual
Uji ini dilakukan untuk mendeteksi independensi residual antar lag. Uji independensi residual dilakukan dengan melihat pasangan ACF dan PACF residual yang dihasilkan model. Grafik ACF dan PACF residual model SARIMA(2,1,0)(2,1,0)12 terlihat pada Gambar 4.8.
Gambar 4.8 ACF dan PACF residual model SARIMA(2,1,0)(2,1,0)12
Selanjutnya, untuk model SARIMA(0,1,1)(1,1,1)12 grafik ACF dan PACF residual disajikan pada Gambar 4.9.
IV-9
Gambar 4.9 ACF dan PACF residual model SARIMA(0,1,1)(1,1,1)12
Grafik ACF dan PACF residual pada Gambar 4.8 dan 4.9 menunjukkan bahwa tidak ada lag yang memotong garis batas atas dan batas bawah nilai korelasi residual sehingga dapat disimpulkan bahwa residual yang dihasilkan kedua model tersebut tidak berkorelasi (independen).
b. Uji Kenormalan Residual
Kenormalan residual dapat dilihat pada histogram residual yang dihasilkan model. Jika histogram residual yang dihasilkan model telah mengikuti pola kurva normal, maka model layak digunakan untuk peramalan atau telah memenuhi asumsi kenormalan.
Berikut merupakan histogram residual model SARIMA(2,1,0)(2,1,0)12 pada data jumlah kunjungan wisatawan mancanegara ke Provinsi Riau.
